您好,登錄后才能下訂單哦!
本篇內(nèi)容主要講解“如何理解Python數(shù)學(xué)建模PuLP庫(kù)線性規(guī)劃進(jìn)階基于字典”,感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷,實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“如何理解Python數(shù)學(xué)建模PuLP庫(kù)線性規(guī)劃進(jìn)階基于字典”吧!
1、基于字典的創(chuàng)建規(guī)劃問(wèn)題
2、線性規(guī)劃問(wèn)題案例
3、建立模型
(1)決策變量
(2)目標(biāo)函數(shù)
(3)約束條件
(4)變量取值范圍
4、PuLP 程序1:使用 LpVariable 逐一定義變量
5、PuLP 程序2:使用 dict 定義決策變量和約束條件
6、Python程序和運(yùn)行結(jié)果
上篇中介紹了使用 LpVariable 對(duì)逐一定義每個(gè)決策變量,設(shè)定名稱、類(lèi)型和上下界,類(lèi)似地對(duì)約束條件也需要逐一設(shè)置模型參數(shù)。在大規(guī)模的規(guī)劃問(wèn)題中,這樣逐個(gè)定義變量和設(shè)置模型參數(shù)非常繁瑣,效率很低。Pulp 庫(kù)提供了一種快捷方式,可以結(jié)合 Python語(yǔ)言的循環(huán)和容器,使用字典來(lái)創(chuàng)建問(wèn)題。
-(1)使用快捷方法建立一個(gè)規(guī)劃問(wèn)題,可以用字典類(lèi)型(dict) 建立多個(gè)變量,例如:
name = [‘廢料1', ‘廢料2', ‘廢料3', ‘廢料4', ‘鎳', ‘鉻', ‘鉬']
# A dictionary of the costs of each of the Ingredients is created
mass = pulp.LpVariable.dicts(“原料”, material, lowBound=0, cat=‘Continuous')
-(2)使用字典類(lèi)型(dict) 設(shè)置目標(biāo)函數(shù)和約束條件的參數(shù),例如:
cost = {
‘廢料1': 16,
‘廢料2': 10,
‘廢料3': 8,
‘廢料4': 9,
‘鎳': 48,
‘鉻': 60,
‘鉬': 53}
-(3)使用 遍歷循環(huán)結(jié)構(gòu) 設(shè)置目標(biāo)函數(shù)和約束條件,例如:
AlloyModel += pulp.lpSum([cost[item] * mass[item] for item in material]), “總生產(chǎn)成本”
AlloyModel += pulp.lpSum([mass[item] for item in material]) == 1000, “質(zhì)量約束”
本篇以合金鋼材生產(chǎn)投料問(wèn)題為例,分析基于列表和字典創(chuàng)建問(wèn)題的快捷方法。
問(wèn)題描述:
某鋼鐵廠通過(guò)熔煉回收的金屬?gòu)U料并添加一定新料的方法生產(chǎn)滿足化學(xué)成分要求的合金,計(jì)劃生產(chǎn)1000千克的合金。
所有金屬?gòu)U料的主要成分是鐵,不同金屬?gòu)U料還含有各種微量元素。
金屬?gòu)U料、新料的各組分含量占比、可用數(shù)量和單位成本如下表所示。生成合金中各組分的含量要求,也如表中所示。
問(wèn)如何安排投料比例,在滿足合金組分含量要求的條件下的材料成本最???
材料 | 碳 | 鎳 | 鉻 | 鉬 | 可用量 | 成本 |
---|---|---|---|---|---|---|
廢料1 | 0.80 | 18.0 | 12.0 | 0.0 | 75 | 16 |
廢料2 | 0.70 | 3.2 | 1.1 | 0.1 | 250 | 10 |
廢料3 | 0.85 | 0 | 0 | 0 | 不限 | 8 |
廢料4 | 0.40 | 0 | 0 | 0 | 不限 | 9 |
鎳 | 0 | 100 | 0 | 0 | 不限 | 48 |
鉻 | 0 | 0 | 100 | 0 | 不限 | 60 |
鉬 | 0 | 0 | 0 | 100 | 不限 | 53 |
合金下限 | 0.65 | 3.0 | 1.0 | 1.1 | / | / |
合金上限 | 0.75 | 3.5 | 1.2 | 1.3 | / | / |
x1:廢料 1 用量(千克)
x2:廢料 2 用量(千克)
x3:廢料 3 用量(千克)
x4:廢料 4 用量(千克)
x5:原料鎳 用量(千克)
x6:原料鉻 用量(千克)
x7:原料鉬 用量(千克)
min cost = 16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7
0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 >= 0.65*1000
0.8*x1 + 0.7*x2 + 0.85*x3 + 0.40*x4 <= 0.75*1000
18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000
18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000
12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000
12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.2*1000
0.1*x2 + 100.0*x7 >= 1.1*1000
0.1*x2 + 100.0*x7 >= 1.3*1000
xi >= 0, i=1,2,…7
x1 <= 75, x2 <= 250
本程序與上篇的方法相同,使用 LpVariable 逐一定義變量。完整的程序代碼如下:
import pulp # 導(dǎo)入 pulp庫(kù) # 1.建立優(yōu)化問(wèn)題 AlloyLP: 求最小值(LpMinimize) AlloyLP = pulp.LpProblem("合金生產(chǎn)材料優(yōu)化", sense=pulp.LpMinimize) # 定義問(wèn)題,求最小值 # 2.定義決策變量 x1~x7 x1 = pulp.LpVariable('廢料1#', lowBound=0, upBound=75.0, cat='Continuous') # 定義 x1 x2 = pulp.LpVariable('廢料2#', lowBound=0, upBound=250., cat='Continuous') # 定義 x2 x3 = pulp.LpVariable('廢料3#', lowBound=0, cat='Continuous') # 定義 x3 x4 = pulp.LpVariable('廢料4#', lowBound=0, cat='Continuous') # 定義 x4 x5 = pulp.LpVariable('原料鎳', lowBound=0, cat='Continuous') # 定義 x5 x6 = pulp.LpVariable('原料鉻', lowBound=0, cat='Continuous') # 定義 x6 x7 = pulp.LpVariable('原料鉬', lowBound=0, cat='Continuous') # 定義 x7 # 3.定義目標(biāo)函數(shù) cost AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7) # 投料成本 # 4.設(shè)置約束條件 AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000) # 等式約束 AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000) # 不等式約束 AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000) # 不等式約束 AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000) # 不等式約束 AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000) # 不等式約束 AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000) # 不等式約束 AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000) # 不等式約束 AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000) # 不等式約束 AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000) # 不等式約束 AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000) # 等式約束 # 5.求解線性規(guī)劃問(wèn)題 AlloyLP.solve() # 6.輸出優(yōu)化結(jié)果 print(AlloyLP) # 輸出問(wèn)題設(shè)定參數(shù)和條件 # print("求解狀態(tài):", pulp.LpStatus[AlloyLP.status]) # 輸出求解狀態(tài) for v in AlloyLP.variables(): print(v.name, " = ", v.varValue) # 輸出每個(gè)變量的最優(yōu)值 print("最小材料成本 = ", pulp.value(AlloyLP.objective)) # 輸出最優(yōu)解的目標(biāo)函數(shù)值 # = 關(guān)注 Youcans,分享原創(chuàng)系列 https://blog.csdn.net/youcans =
本程序使用 dict 定義變量、目標(biāo)函數(shù)和約束條件參數(shù),便于復(fù)雜問(wèn)題的參數(shù)設(shè)定。
import pulp # 導(dǎo)入 pulp庫(kù) # 1.建立優(yōu)化問(wèn)題 AlloyLP: 求最小值(LpMinimize) AlloyLP = pulp.LpProblem("合金生產(chǎn)材料優(yōu)化", sense=pulp.LpMinimize) # 定義問(wèn)題,求最小值 # 2.定義決策變量 x1~x7 x1 = pulp.LpVariable('廢料1#', lowBound=0, upBound=75.0, cat='Continuous') # 定義 x1 x2 = pulp.LpVariable('廢料2#', lowBound=0, upBound=250., cat='Continuous') # 定義 x2 x3 = pulp.LpVariable('廢料3#', lowBound=0, cat='Continuous') # 定義 x3 x4 = pulp.LpVariable('廢料4#', lowBound=0, cat='Continuous') # 定義 x4 x5 = pulp.LpVariable('原料鎳', lowBound=0, cat='Continuous') # 定義 x5 x6 = pulp.LpVariable('原料鉻', lowBound=0, cat='Continuous') # 定義 x6 x7 = pulp.LpVariable('原料鉬', lowBound=0, cat='Continuous') # 定義 x7 # 3.定義目標(biāo)函數(shù) cost AlloyLP += (16*x1 + 10*x2 + 8*x3 + 9*x4 + 48*x5 + 60*x6 + 53*x7) # 投料成本 # 4.設(shè)置約束條件 AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000) # 等式約束 AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 >= 0.65*1000) # 不等式約束 AlloyLP += (0.8*x1 + 0.7*x2 + 0.85*x3 + 0.4*x4 <= 0.75*1000) # 不等式約束 AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 >= 3.0*1000) # 不等式約束 AlloyLP += (18.0*x1 + 3.2*x2 + 100.0*x5 <= 3.5*1000) # 不等式約束 AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 >= 1.0*1000) # 不等式約束 AlloyLP += (12.0*x1 + 1.1*x2 + 100.0*x6 <= 1.2*1000) # 不等式約束 AlloyLP += (0.1*x2 + 100.0*x7 >= 1.1*1000) # 不等式約束 AlloyLP += (0.1*x2 + 100.0*x7 <= 1.3*1000) # 不等式約束 AlloyLP += (x1 + x2 + x3 + x4 + x5 + x6 + x7 == 1000) # 等式約束 # 5.求解線性規(guī)劃問(wèn)題 AlloyLP.solve() # 6.輸出優(yōu)化結(jié)果 print(AlloyLP) # 輸出問(wèn)題設(shè)定參數(shù)和條件 # print("求解狀態(tài):", pulp.LpStatus[AlloyLP.status]) # 輸出求解狀態(tài) for v in AlloyLP.variables(): print(v.name, " = ", v.varValue) # 輸出每個(gè)變量的最優(yōu)值 print("最小材料成本 = ", pulp.value(AlloyLP.objective)) # 輸出最優(yōu)解的目標(biāo)函數(shù)值 # = 關(guān)注 Youcans,分享原創(chuàng)系列 https://blog.csdn.net/youcans =
程序 1 和程序 2 的運(yùn)行結(jié)果完全相同,結(jié)果如下:
Welcome to the CBC MILP Solver Version: 2.9.0 Build Date: Feb 12 2015 鋼材生產(chǎn)問(wèn)題: MINIMIZE 16*原料_廢料1 + 10*原料_廢料2 + 8*原料_廢料3 + 9*原料_廢料4 + 53*原料_鉬 + 60*原料_鉻 + 48*原料_鎳 + 0 SUBJECT TO 質(zhì)量約束: 原料_廢料1 + 原料_廢料2 + 原料_廢料3 + 原料_廢料4 + 原料_鉬 + 原料_鉻 + 原料_鎳 = 1000 碳最小占比: 0.8 原料_廢料1 + 0.7 原料_廢料2 + 0.85 原料_廢料3 + 0.4 原料_廢料4 >= 650 碳最大占比: 0.8 原料_廢料1 + 0.7 原料_廢料2 + 0.85 原料_廢料3 + 0.4 原料_廢料4 <= 750 鎳最小占比: 18 原料_廢料1 + 3.2 原料_廢料2 + 100 原料_鎳 >= 3000 鎳最大占比: 18 原料_廢料1 + 3.2 原料_廢料2 + 100 原料_鎳 <= 3500 鉻最小占比: 12 原料_廢料1 + 1.1 原料_廢料2 + 100 原料_鉻 >= 1000 鉻最大占比: 12 原料_廢料1 + 1.1 原料_廢料2 + 100 原料_鉻 <= 1200 鉬最小占比: 0.1 原料_廢料2 + 100 原料_鉬 >= 1100 鉬最大占比: 0.1 原料_廢料2 + 100 原料_鉬 <= 1300 廢料1可用量: 原料_廢料1 <= 75 廢料2可用量: 原料_廢料2 <= 250 VARIABLES 原料_廢料1 Continuous 原料_廢料2 Continuous 原料_廢料3 Continuous 原料_廢料4 Continuous 原料_鉬 Continuous 原料_鉻 Continuous 原料_鎳 Continuous 優(yōu)化狀態(tài): Optimal 原料_廢料1 = 75.0 原料_廢料2 = 90.909091 原料_廢料3 = 672.28283 原料_廢料4 = 137.30808 原料_鉬 = 10.909091 原料_鉻 = 0.0 原料_鎳 = 13.590909 最優(yōu)總成本 = 9953.671725000002
到此,相信大家對(duì)“如何理解Python數(shù)學(xué)建模PuLP庫(kù)線性規(guī)劃進(jìn)階基于字典”有了更深的了解,不妨來(lái)實(shí)際操作一番吧!這里是億速云網(wǎng)站,更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢,關(guān)注我們,繼續(xù)學(xué)習(xí)!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。